稍稍乱入的CNN，本文依然是学习周莫烦视频的笔记。

　　稍稍乱入的CNN，本文依然是学习周莫烦视频的笔记。
　　
　　还有 google 在 udacity 上的 CNN 教程。
　　
　　CNN(Convolutional Neural Networks) 卷积神经网络简单讲就是把一个图片的数据传递给CNN，原涂层是由RGB组成，然后CNN把它的厚度加厚，长宽变小，每做一层都这样被拉长，最后形成一个分类器：
　　
　　如果想要分成十类的话，那么就会有0到9这十个位置，这个数据属于哪一类就在哪个位置上是1，而在其它位置上为零。
　　
　　在 RGB 这个层，每一次把一块核心抽出来，然后厚度加厚，长宽变小，形成分类器：
　　
　　在 CNN 中有几个重要的概念：
　　
　　- stride
　　
　　- padding
　　
　　- pooling
　　
　　stride，就是每跨多少步抽取信息。每一块抽取一部分信息，长宽就缩减，但是厚度增加。抽取的各个小块儿，再把它们合并起来，就变成一个压缩后的立方体。
　　
　　padding，抽取的方式有两种，一种是抽取后的长和宽缩减，另一种是抽取后的长和宽和原来的一样。
　　
　　pooling，就是当跨步比较大的时候，它会漏掉一些重要的信息，为了解决这样的问题，就加上一层叫pooling，事先把这些必要的信息存储起来，然后再变成压缩后的层：
　　
　　patch, 就是小方块的长宽的像素，in size 是image的厚度为1，out size是输出的厚度为32:
　　
　　CNN的结构，分析一张图片时，先放一个CNN的图层，再把这个图层进行一个pooling。这样可以比较好的保持信息，之后再加第二层的CNN和pooling。
　　
　　导入一个图片之后，先是有它的RGB三个图层，然后把像素块缩小变厚。本来有三个厚度，然后把它变成八个厚度，它的长宽在不断的减小，最后把它们连接在一起：
　　
　　下面就是用 tensorflow 构建一个 CNN 的代码，
　　
　　里面主要有4个layer，分别是:
　　
　　1. convolutional layer1 + max pooling;
　　
　　2. convolutional layer2 + max pooling;
　　
　　3. fully connected layer1 + dropout;
　　
　　4. fully connected layer2 to prediction.
　　
　　import tensorflow as tf
　　
　　from tensorflow.examples.tutorials.mnist import input_data
　　
　　# number 1 to 10 data
　　
　　mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
　　
　　def compute_accuracy(v_xs, v_ys):
　　
　　global prediction
　　
　　y_pre = sess.run(prediction, feed_dict={xs: v_xs, keep_prob: 1})
　　
　　correct_prediction = tf.equal(tf.argmax(y_pre,1), tf.argmax(v_ys,1))
　　
　　accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
　　
　　result = sess.run(accuracy, feed_dict={xs: v_xs, ys: v_ys, keep_prob: 1})
　　
　　return result
　　
　　# 产生随机变量，符合 normal 分布
　　
　　# 传递 shape 就可以返回weight和bias的变量
　　
　　def weight_variable(shape):
　　
　　initial = tf.truncated_normal(shape, stddev=0.1)
　　
　　return tf.Variable(initial)
　　
　　def bias_variable(shape):
　　
　　initial = tf.constant(0.1, shape=shape)
　　
　　return tf.Variable(initial)
　　
　　# 定义2维的 convolutional 图层
　　
　　def conv2d(x, W):
　　
　　# stride [1, x_movement, y_movement, 1]
　　
　　# Must have strides[0] = strides[3] = 1
　　
　　# strides 就是跨多大步抽取信息
　　
　　return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
　　
　　# 定义 pooling 图层
　　
　　def max_pool_2x2(x):
　　
　　# stride [1, x_movement, y_movement, 1]
　　
　　# 用pooling对付跨步大丢失信息问题
　　
　　return tf.nn.max_pool(x, ksize=[1,2,2,1], strides=[1,2,2,1], padding='SAME')
　　
　　# define placeholder for inputs to network
　　
　　xs = tf.placeholder(tf.float32, [None, 784]) # 784＝28x28
　　
　　ys = tf.placeholder(tf.float32, [None, 10])
　　
　　keep_prob = tf.placeholder(tf.float32)
　　
　　x_image = tf.reshape(xs, [-1, 28, 28, 1]) # 最后一个1表示数据是黑白的
　　
　　# print(x_image.shape) # [n_samples, 28,28,1]
　　
　　## 1. conv1 layer ##
　　
　　# 把x_image的厚度1加厚变成了32
　　
　　W_conv1 = weight_variable([5, 5, 1, 32]) # patch 5x5, in size 1, out size 32
　　
　　b_conv1 = bias_variable([32])
　　
　　# 构建第一个convolutional层，外面再加一个非线性化的处理relu
　　
　　h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1) # output size 28x28x32
　　
　　# 经过pooling后，长宽缩小为14x14
　　
　　h_pool1 = max_pool_2x2(h_conv1) # output size 14x14x32
　　
　　## 2. conv2 layer ##
　　
　　# 把厚度32加厚变成了64
　　
　　W_conv2 = weight_variable([5,5, 32, 64]) # patch 5x5, in size 32, out size 64
　　
　　b_conv2 = bias_variable([64])
　　
　　# 构建第二个convolutional层
　　
　　h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2) # output size 14x14x64
　　
　　# 经过pooling后，长宽缩小为7x7
　　
　　h_pool2 = max_pool_2x2( www.chuangyed.com h_conv2) # output size 7x7x64
　　
　　## 3. func1 layer ##
　　
　　# 飞的更高变成1024
　　
　　W_fc1 = weight_variable([7*7*64, 1024])
　　
　　b_fc1 = bias_variable([1024])
　　
　　# [n_samples, 7, 7, 64] ->> [n_samples, 7*7*64]
　　
　　# 把pooling后的结果变平
　　
　　h_pool2_flat = tf.reshape(h_pool2, [www.txfenfenc11.cn -1, 7*7*64])
　　
　　h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
　　
　　h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
　　
　　## 4. func2 layer ##
　　
　　# 最后一层，输入1024，输出size 10，用 softmax 计算概率进行分类的处理
　　
　　W_fc2 = weight_variable([1024, 10])
　　
　　b_fc2 = bias_variable([10])
　　
　　prediction = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
　　
　　# the error between prediction and real data
　　
　　cross_entropy = tf.reduce_mean(-tf.reduce_sum(ys * tf.log(prediction),
　　
　　reduction_indices=[1])) # loss
　　
　　train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
　　
　　sess = tf.Session()
　　
　　# important step
　　
　　sess.run(tf.initialize_all_variables())
　　
　　for i in range(1000):
　　
　　batch_xs, batch_ys = www.xingchexiu.com mnist.train.next_batch(100)
　　
　　sess.run(train_step, feed_dict={xs: www.yongshiyule178.com/ batch_xs, ys: batch_ys, keep_prob: 0.5})
　　
　　if i % 50 == 0:
　　
　　print(compute_accuracy(
　　
　　mnist.test.images, www.255055.cn mnist.test.labels))